Opbygning af AI-produkter med en holistisk mental model

Bemærk: Denne artikel er den første i en serie kaldet "Dissecting AI applications", som introducerer en mental model for AI-systemer. Modellen fungerer som et værktøj til diskussion, planlægning og definition af AI-produkter af tværfaglige AI- og produktteams, samt til tilpasning til forretningsafdelingen. Det har til formål at samle perspektiverne fra produktchefer, UX-designere, datavidenskabsmænd, ingeniører og andre teammedlemmer. I denne artikel introducerer jeg den mentale model, mens fremtidige artikler vil demonstrere, hvordan man anvender den på specifikke AI-produkter og funktioner.

Ofte antager virksomheder, at alt, hvad de behøver for at inkludere AI i deres tilbud, er at hyre AI-eksperter og lade dem spille den tekniske magi. Denne tilgang fører dem direkte ind i integrationsfejlen: Selv hvis disse eksperter og ingeniører producerer exceptionelle modeller og algoritmer, sætter deres output ofte fast på niveauet med legepladser, sandkasser og demoer og bliver aldrig rigtigt fuldgyldige dele af et produkt. Gennem årene har jeg set en del frustration fra datavidenskabsmænd og ingeniører, hvis teknisk fremragende AI-implementeringer ikke fandt vej til brugervendte produkter. Snarere havde de den ærefulde status som blødende eksperimenter, der gav interne interessenter indtryk af at ride på AI-bølgen. Nu, med den allestedsnærværende udbredelse af kunstig intelligens siden udgivelsen af ​​ChatGPT i 2022, har virksomheder ikke længere råd til at bruge kunstig intelligens som en "fyrtårn"-funktion for at vise deres teknologiske indsigt.

Hvorfor er det så svært at integrere AI? Der er et par grunde:

• Ofte fokuserer teams på et enkelt aspekt af et AI-system. Dette har endda ført til fremkomsten af ​​separate lejre, såsom datacentreret, modelcentreret og menneskecentreret AI. Mens hver af dem tilbyder spændende perspektiver for forskning, skal et virkeligt produkt kombinere dataene, modellen og menneske-maskine-interaktionen i et sammenhængende system.
• AI-udvikling er en meget samarbejdende virksomhed. I traditionel softwareudvikling arbejder man med en forholdsvis klar dikotomi bestående af backend- og frontend-komponenterne. I AI skal du ikke kun tilføje flere forskellige roller og færdigheder til dit team, men også sikre et tættere samarbejde mellem de forskellige parter. De forskellige komponenter i dit AI-system vil interagere med hinanden på intime måder. Hvis du for eksempel arbejder på en virtuel assistent, bliver dine UX-designere nødt til at forstå prompt engineering for at skabe et naturligt brugerflow. Dine dataannotatorer skal være opmærksomme på dit brand og din virtuelle assistents "karaktertræk" for at skabe træningsdata, der er konsistente og tilpasset din positionering, og din produktchef skal forstå og granske arkitekturen i datapipelinen for at sikre det imødekommer dine brugeres styringsmæssige bekymringer.
• Når virksomheder bygger AI, undervurderer virksomheder ofte vigtigheden af ​​design. Mens AI starter i backend, er godt design uundværligt for at få det til at skinne i produktionen. AI-design flytter grænserne for traditionel UX. Meget af den funktionalitet, du tilbyder, er ikke i sig selv synlig i grænsefladen, men "skjult" i modellen, og du skal uddanne og vejlede dine brugere for at maksimere disse fordele. Desuden er moderne grundmodeller vilde ting, der kan producere giftige, forkerte og skadelige output, så du vil sætte yderligere autoværn op for at reducere disse risici. Alt dette kan kræve nye færdigheder på dit team, såsom hurtig ingeniørarbejde og samtaledesign. Nogle gange betyder det også, at man laver kontraintuitive ting, som at undervurdere værdi for at administrere brugernes forventninger og tilføje friktion for at give dem mere kontrol og gennemsigtighed.
• AI-hypen skaber pres. Mange virksomheder sætter vognen før hesten ved at springe ud i implementeringer, der ikke er valideret af kundernes og markedets behov. En gang imellem kan det hjælpe dig med at markedsføre og positionere dig selv som en progressiv og innovativ virksomhed, men på lang sigt bliver du nødt til at støtte din buzz og eksperimentere med reelle muligheder. Dette kan opnås med en tæt koordinering mellem forretning og teknologi, som er baseret på en eksplicit kortlægning af markedsmuligheder til teknologiske potentialer.

I denne artikel vil vi konstruere en mental model for AI-systemer, der integrerer disse forskellige aspekter (jf. figur 1). Det tilskynder bygherrer til at tænke holistisk, skabe en klar forståelse af deres målprodukt og opdatere det med ny indsigt og input undervejs. Modellen kan bruges som et værktøj til at lette samarbejdet, tilpasse de forskellige perspektiver i og uden for AI-teamet og bygge succesfulde produkter baseret på en fælles vision. Det kan ikke kun anvendes på nye, AI-drevne produkter, men også på AI-funktioner, der er indarbejdet i eksisterende produkter.

De følgende afsnit vil kort beskrive hver af komponenterne, med fokus på dele, der er specifikke for AI-produkter. Vi vil starte med forretningsperspektivet - markedssidens mulighed og værdien - og derefter dykke ned i UX og teknologi. For at illustrere modellen vil vi bruge det kørende eksempel på en copilot til generering af marketingindhold.

Hvis dette dybdegående undervisningsindhold er nyttigt for dig, kan du abonner på vores AI-forskningsmailingliste for at blive advaret, når vi udgiver nyt materiale. 

1. mulighed

Med alle de fede ting, du nu kan lave med kunstig intelligens, er du måske utålmodig efter at få dine hænder til at snavse og begynde at bygge. Men for at bygge noget, dine brugere har brug for og elsker, bør du støtte din udvikling med en markedsmulighed. I den ideelle verden når muligheder os fra kunder, der fortæller os, hvad de har brug for eller ønsker.[1] Det kan være udækkede behov, smertepunkter eller ønsker. Du kan søge efter disse oplysninger i eksisterende kundefeedback, såsom i produktanmeldelser og noter fra dine salgs- og succesteams. Glem heller ikke dig selv som potentiel bruger af dit produkt - hvis du retter mod et problem, som du selv har oplevet, er denne informationsfordel en ekstra fordel. Ud over dette kan du også udføre proaktiv kundeundersøgelse ved hjælp af værktøjer som undersøgelser og interviews.

Jeg behøver for eksempel ikke at kigge for langt for at se smerterne ved content marketing for startups, men også større virksomheder. Jeg har selv oplevet det — efterhånden som konkurrencen vokser, bliver udvikling af tankelederskab med individuelt, regulært og (!) indhold af høj kvalitet mere og mere vigtigt for differentiering. I mellemtiden vil der med et lille og travlt team altid være ting på bordet, som virker vigtigere end at skrive ugens blogindlæg. Jeg møder også ofte folk i mit netværk, som kæmper for at få en konsekvent content marketing rutine op. Disse "lokale", potentielt skæve observationer kan valideres af undersøgelser, der går ud over ens netværk og bekræfter et bredere marked for en løsning.

Den virkelige verden er lidt mere uklar, og kunder vil ikke altid komme til dig for at præsentere nye, velformulerede muligheder. Hvis du i stedet strækker dine antenner ud, vil muligheder nå dig fra mange retninger, såsom:

• Markedspositionering: AI er trendy — for etablerede virksomheder kan det bruges til at forstærke billedet af en virksomhed som innovativ, højteknologisk, fremtidssikker osv. Det kan for eksempel ophøje et eksisterende marketingbureau til en AI-drevet service og adskille den fra konkurrenterne. Gør dog ikke AI for AI's skyld. Positioneringstricket skal anvendes med forsigtighed og i kombination med andre muligheder - ellers risikerer du at miste troværdighed.
• konkurrenter: Når dine konkurrenter foretager et træk, er det sandsynligt, at de allerede har lavet den underliggende forskning og validering. Se på dem efter nogen tid - var deres udvikling vellykket? Brug disse oplysninger til at optimere din egen løsning, overtage de vellykkede dele og udjævne fejlene. Lad os f.eks. sige, at du observerer en konkurrent, der tilbyder en tjeneste til fuldautomatisk generering af marketingindhold. Brugere klikker på en "stor rød knap", og AI marcherer videre for at skrive og udgive indholdet. Efter nogle undersøgelser lærer du, at brugere tøver med at bruge dette produkt, fordi de ønsker at bevare mere kontrol over processen og bidrage med deres egen ekspertise og personlighed til skrivningen. At skrive handler jo også om selvudfoldelse og individuel kreativitet. Dette er tiden for dig til at komme videre med et alsidigt værktøj, der tilbyder rig funktionalitet og konfiguration til at forme dit indhold. Det øger effektiviteten af ​​brugerne og giver dem mulighed for at "injicere" sig selv i processen, når som helst de ønsker det.
• forordninger: megatrends som teknologisk disruption og globalisering tvinger regulatorer til at skærpe deres krav. Reguleringer skaber pres og er en skudsikker kilde til muligheder. Forestil dig for eksempel, at der kommer en regulering på plads, som strengt kræver, at alle reklamerer for AI-genereret indhold som sådan. De virksomheder, der allerede bruger værktøjer til AI-indholdsgenerering, vil forsvinde til interne diskussioner om, hvorvidt de ønsker dette. Mange af dem vil afstå, fordi de ønsker at bevare et billede af ægte tankelederskab i modsætning til at producere synligt AI-genereret kedelplade. Lad os sige, at du var smart og valgte en udvidet løsning, der giver brugerne nok kontrol, så de kan forblive de officielle "forfattere" af teksterne. Efterhånden som den nye begrænsning indføres, er du immun og kan skynde dig frem for at udnytte reguleringen, mens dine konkurrenter med fuldautomatiske løsninger skal bruge tid på at komme sig over tilbageslaget.
• Aktiverende teknologier: Nye teknologier og betydelige spring i eksisterende teknologier, såsom bølgen af ​​generativ kunstig intelligens i 2022-23, kan åbne op for nye måder at gøre tingene på eller kaste eksisterende applikationer til et nyt niveau. Lad os sige, at du har drevet et traditionelt marketingbureau i det sidste årti. Nu kan du begynde at introducere AI-hacks og -løsninger i din virksomhed for at øge effektiviteten af ​​dine medarbejdere, betjene flere kunder med de eksisterende ressourcer og øge din profit. Du bygger videre på din eksisterende ekspertise, omdømme og (forhåbentlig velvillige) kundebase, så at introducere AI-forbedringer kan være meget smidigere og mindre risikabelt, end det ville være for en nybegynder.

Endelig, i den moderne produktverden er mulighederne ofte mindre eksplicitte og formelle og kan valideres direkte i eksperimenter, hvilket fremskynder din udvikling. I produktstyret vækst kan teammedlemmer således komme med deres egne hypoteser uden et strengt datadrevet argument. Disse hypoteser kan formuleres på en stykkevis måde, som at ændre en prompt eller ændre det lokale layout af nogle UX-elementer, hvilket gør dem nemme at implementere, implementere og teste. Ved at fjerne trykket for at yde a priori data for hvert nyt forslag udnytter denne tilgang alle teammedlemmers intuitioner og fantasi, mens den gennemtvinger en direkte validering af forslagene. Lad os sige, at din indholdsgenerering kører problemfrit, men du hører flere og flere klager over en generel mangel på AI-gennemsigtighed og forklarlighed. Du beslutter dig for at implementere et ekstra gennemsigtighedsniveau og vise dine brugere de specifikke dokumenter, der blev brugt til at generere et stykke indhold. Dit team tester funktionen hos en kohorte af brugere og finder ud af, at de er glade for at bruge den til at spore tilbage til de originale informationskilder. Derfor beslutter du dig for at etablere det i kerneproduktet for at øge brugen og tilfredsheden.

2. Værdi

For at forstå og kommunikere værdien af ​​dit AI-produkt eller -funktion skal du først kortlægge det til en use case - et specifikt forretningsproblem, det vil løse - og finde ud af ROI (retur on investment). Dette tvinger dig til at flytte dit sind væk fra teknologien og fokusere på fordelene ved løsningen på brugersiden. ROI kan måles langs forskellige dimensioner. For AI er nogle af dem:

• Øget effektivitet: AI kan være en booster for produktiviteten hos enkeltpersoner, teams og hele virksomheder. For eksempel kan du til indholdsgenerering opdage, at i stedet for de 4-5 timer, der normalt er nødvendige for at skrive et blogindlæg [2], kan du nu gøre det på 1-2 timer og bruge den tid, du har sparet på andre opgaver. Effektivitetsgevinster går ofte hånd i hånd med omkostningsbesparelser, da der kræves mindre menneskelig indsats for at udføre den samme mængde arbejde. Denne fordel er således i erhvervsmæssig sammenhæng attraktiv både for brugerne og for ledelsen.
• En mere personlig oplevelse: For eksempel kan dit indholdsgenereringsværktøj bede brugere om at indstille parametre for deres virksomhed, såsom brand-attributter, terminologi, produktfordele osv. Derudover kan det spore redigeringer foretaget af en specifik forfatter og tilpasse dens generationer til den unikke skrivning denne brugers stil over tid.
• Sjov og fornøjelse: Her kommer vi ind på den følelsesmæssige side af produktbrug, også kaldet det "viscerale" niveau af Don Norman [3]. Der findes hele kategorier af produkter til sjov og underholdning i B2C-lejren, såsom spil og Augmented Reality. Hvad med B2B — ville du ikke antage, at B2B-produkter eksisterer i et sterilt professionelt vakuum? I virkeligheden kan denne kategori generere endnu stærkere følelsesmæssige reaktioner end B2C.[4] For eksempel kan skrivning opfattes som en tilfredsstillende handling af selvudfoldelse, eller som en indre kamp med forfatterblokering og andre problemer. Tænk over, hvordan dit produkt kan forstærke de positive følelser ved en opgave, samtidig med at det lindrer eller endda transformerer dens smertefulde aspekter.
• Bekvemmelighed: Hvad skal din bruger gøre for at udnytte de magiske kræfter ved AI? Forestil dig at integrere din indholdsgenereringscopilot i populære samarbejdsværktøjer som MS Office, Google Docs og Notion. Brugere vil være i stand til at få adgang til intelligensen og effektiviteten af ​​dit produkt uden at forlade komforten i deres digitale "hjem". Dermed minimerer du den indsats, brugerne skal gøre for at opleve værdien af ​​produktet og blive ved med at bruge det, hvilket igen booster din brugeranskaffelse og -adoption.

Nogle af AI-fordele - for eksempel effektivitet - kan kvantificeres direkte for ROI. For mindre håndgribelige gevinster som bekvemmelighed og fornøjelse skal du tænke på proxy-metrics som brugertilfredshed. Husk, at tænkning i form af slutbrugerværdi ikke kun vil lukke kløften mellem dine brugere og dit produkt. Som en velkommen bivirkning kan det reducere tekniske detaljer i din offentlige kommunikation. Dette vil forhindre dig i ved et uheld at invitere uønsket konkurrence til festen.

Endelig er bæredygtighed et grundlæggende aspekt af værdi, som du bør overveje tidligt. Hvordan påvirker din løsning samfundet og miljøet? I vores eksempel kan automatiseret eller udvidet indholdsgenerering fortrænge og eliminere store menneskelige arbejdsbelastninger. Du ønsker sandsynligvis ikke at blive kendt som den kommende morder af en hel jobkategori - det vil trods alt ikke kun rejse etiske spørgsmål, men også kalde modstand fra brugere, hvis job du truer. Tænk over, hvordan du kan håndtere denne frygt. For eksempel kan du oplyse brugerne om, hvordan de effektivt kan bruge deres nye fritid til at designe endnu mere sofistikerede marketingstrategier. Disse kan give en forsvarlig voldgrav, selv når andre konkurrenter indhenter automatiseret indholdsgenerering.

3. Data

For enhver form for kunstig intelligens og maskinlæring skal du indsamle og forberede dine data, så de afspejler de virkelige input og giver tilstrækkelige læringssignaler til din model. I dag ser vi en tendens til datacentreret AI - en AI-filosofi, der bevæger sig væk fra endeløs justering og optimering af modeller og fokuserer på at løse de mange problemer i de data, der føres ind i disse modeller. Når du starter, er der forskellige måder at få fingrene i et anstændigt datasæt:

• Du kan bruge et eksisterende datasæt. Dette kan enten være et standard maskinlæringsdatasæt eller et datasæt med et andet indledende formål, som du tilpasser til din opgave. Der er nogle datasætklassikere, såsom IMDB filmanmeldelser datasæt til sentimentanalyse og MNIST datasæt til håndskrevet karaktergenkendelse. Der er mere eksotiske og spændende alternativer, som f.eks Fange ulovligt fiskeri , Identifikation af hundeavl, og utallige bruger-kuraterede datasæt på datahubs som Kaggle. Chancerne for, at du finder et datasæt, der er lavet til din specifikke opgave og fuldt ud opfylder dine krav, er ret lille, og i de fleste tilfælde skal du også bruge andre metoder til at berige dine data.
• Du kan anmærk eller opret dataene manuelt at skabe de rigtige læringssignaler. Manuel dataannotering - for eksempel annotering af tekster med sentiment-score - var den bedste metode i de tidlige dage af maskinlæring. For nylig har det genvundet opmærksomhed som hovedingrediensen i ChatGPTs hemmelige sauce. Der blev brugt en stor manuel indsats på at skabe og rangordne modellens svar, så de afspejler menneskelige præferencer. Denne teknik kaldes også Reinforcement Learning from Human Feedback (RLHF). Hvis du har de nødvendige ressourcer, kan du bruge dem til at skabe data af høj kvalitet til mere specifikke opgaver, såsom generering af marketingindhold. Annotering kan foretages enten internt eller ved hjælp af en ekstern udbyder eller en crowdsourcing-tjeneste som Amazon Mechanical Turk. I hvert fald vil de fleste virksomheder ikke ønsker at bruge de enorme ressourcer, der kræves til manuel oprettelse af RLHF-data, og vil overveje nogle tricks til at automatisere oprettelsen af ​​deres data.
• Så du kan tilføje flere eksempler til et eksisterende datasæt ved hjælp af dataforøgelse. Til mere simple opgaver som f.eks. sentimentanalyse kan du introducere noget ekstra støj i teksterne, skifte et par ord op osv. For mere åbne generationsopgaver er der i øjeblikket stor entusiasme for at bruge store modeller (f.eks. grundlæggende modeller) til automatiserede generering af træningsdata. Når du har identificeret den bedste metode til at udvide dine data, kan du nemt skalere dem for at nå den nødvendige datasætstørrelse.

Når du opretter dine data, står du over for en afvejning mellem kvalitet og kvantitet. Du kan manuelt annotere færre data med en høj kvalitet eller bruge dit budget på at udvikle hacks og tricks til automatiseret dataforøgelse, der vil introducere yderligere støj. Hvis du går efter manuel annotering, kan du gøre det internt og forme en kultur af detaljer og kvalitet, eller crowdsource arbejdet til anonyme mennesker. Crowdsourcing har typisk en lavere kvalitet, så du skal muligvis kommentere mere for at kompensere for støjen. Hvordan finder du den ideelle balance? Der er ingen færdige opskrifter her - i sidste ende vil du finde din ideelle datasammensætning gennem en konstant frem og tilbage mellem træning og forbedring af dine data. Generelt, når man fortræner en model, skal den tilegne sig viden fra bunden, hvilket kun kan ske med en større mængde data. På den anden side, hvis du ønsker at finjustere og give det sidste strejf af specialisering til en eksisterende stor model, kan du værdsætte kvalitet frem for kvantitet. Den kontrollerede manuelle annotering af et lille datasæt ved hjælp af detaljerede retningslinjer kan være den optimale løsning i dette tilfælde.

4. Algoritme

Data er råmaterialet, som din model vil lære af, og forhåbentlig kan du kompilere et repræsentativt datasæt af høj kvalitet. Nu ligger den faktiske superkraft i dit AI-system - dets evne til at lære af eksisterende data og generalisere til nye data - i algoritmen. Med hensyn til kerne-AI-modellerne er der tre hovedmuligheder, som du kan bruge:

• Spørg en eksisterende model. Avancerede LLM'er (Large Language Models) fra GPT-familien, såsom ChatGPT og GPT-4, samt fra andre udbydere såsom Anthropic og AI21 Labs er tilgængelige til slutning via API. Med prompting kan du direkte tale med disse modeller, herunder i din prompt alle de domæne- og opgavespecifikke oplysninger, der kræves til en opgave. Dette kan omfatte specifikt indhold, der skal bruges, eksempler på analoge opgaver (få-shot-opfordring) samt instruktioner, som modellen skal følge. For eksempel, hvis din bruger ønsker at generere et blogindlæg om en ny produktfunktion, kan du bede dem om at give nogle kerneoplysninger om funktionen, såsom dens fordele og anvendelsesmuligheder, hvordan man bruger den, lanceringsdatoen osv. Dit produkt udfylder derefter disse oplysninger i en omhyggeligt udformet promptskabelon og beder LLM om at generere teksten. Tilskyndelse er fantastisk for at få et forspring i fortrænede modeller. Dog vil voldgraven, du kan konstruere med tilskyndelse, hurtigt tynde ud over tid - på mellemlang sigt har du brug for en mere forsvarlig modelstrategi for at opretholde din konkurrencefordel.
• Finjuster en fortrænet model. Denne tilgang har gjort AI så populær i de seneste år. Efterhånden som flere og flere præ-trænede modeller bliver tilgængelige, og portaler som Huggingface tilbyder modellagre samt standardkode til at arbejde med modellerne, er finjustering ved at blive den bedste metode til at prøve at implementere. Når du arbejder med en præ-trænet model, kan du drage fordel af den investering, som nogen allerede har foretaget i data, træning og evaluering af modellen, som allerede "ved" en masse ting om sprog og verden. Alt du skal gøre er at finjustere modellen ved hjælp af et opgavespecifikt datasæt, som kan være meget mindre end det datasæt, der oprindeligt blev brugt til fortræning. For eksempel, til generering af markedsføringsindhold, kan du samle et sæt blogindlæg, der klarede sig godt med hensyn til engagement, og reverse-engineere instruktionerne til disse. Ud fra disse data vil din model lære om strukturen, flowet og stilen for vellykkede artikler. Finjustering er vejen at gå, når du bruger open source-modeller, men LLM API-udbydere som OpenAI og Cohere tilbyder også i stigende grad finjusteringsfunktionalitet. Især for open source-sporet skal du stadig overveje spørgsmålene om valg af model, omkostningerne ved træning og implementering af større modeller og vedligeholdelses- og opdateringsplanerne for din model.
• Træn din ML-model fra bunden. Generelt fungerer denne tilgang godt til enklere, men meget specifikke problemer, som du har specifik knowhow eller anstændige datasæt til. Generering af indhold falder ikke lige ind i denne kategori - det kræver avancerede sproglige evner at få dig i gang, og disse kan kun erhverves efter træning på latterligt store mængder data. Enklere problemer såsom sentimentanalyse for en specifik type tekst kan ofte løses med etablerede maskinlæringsmetoder som logistisk regression, som er beregningsmæssigt billigere end fancy deep learning-metoder. Selvfølgelig er der også mellemvejen for rimeligt komplekse problemer som konceptudtrækning for specifikke domæner, som du måske overvejer at træne et dybt neuralt netværk til fra bunden.

Ud over uddannelsen er evaluering af primær betydning for succesfuld brug af machine learning. Egnede evalueringsmetrikker og -metoder er ikke kun vigtige for en sikker lancering af dine AI-funktioner, men vil også tjene som et klart mål for yderligere optimering og som et fælles grundlag for interne diskussioner og beslutninger. Mens tekniske målinger såsom præcision, genkaldelse og nøjagtighed kan give et godt udgangspunkt, vil du i sidste ende lede efter målinger, der afspejler den virkelige værdi, som din AI leverer til brugerne.

5. Brugeroplevelse

Brugeroplevelsen af ​​AI-produkter er et fængslende tema - brugere har trods alt store forhåbninger, men også frygt for at "partnere" med en AI, der kan overlade og potentielt overliste deres intelligens. Designet af dette menneske-AI-partnerskab kræver en gennemtænkt og fornuftig opdagelses- og designproces. En af de vigtigste overvejelser er graden af ​​automatisering, du ønsker at give med dit produkt - og vel at mærke, total automatisering er langtfra altid den ideelle løsning. Følgende figur illustrerer automatiseringskontinuummet:

Lad os se på hvert af disse niveauer:

• I den første fase udfører mennesker alt arbejdet, og der udføres ingen automatisering. På trods af hypen omkring AI udføres de fleste videntunge opgaver i moderne virksomheder stadig på dette niveau, hvilket giver enorme muligheder for automatisering. For eksempel arbejder indholdsforfatteren, der modstår AI-drevne værktøjer og er overbevist om, at skrivning er et meget manuelt og idiosynkratisk håndværk.
• I anden fase af assisteret AI har brugerne fuldstændig kontrol over opgaveudførelsen og udfører en stor del af arbejdet manuelt, men AI-værktøjer hjælper dem med at spare tid og kompensere for deres svage punkter. For eksempel, når du skriver et blogindlæg med en stram deadline, kan et afsluttende sprogligt tjek med Grammarly eller et lignende værktøj blive en velkommen tidsbesparelse. Det kan eliminere manuel revision, som kræver meget af din knappe tid og opmærksomhed og stadig kan efterlade dig med fejl og overseelser - trods alt er det menneskeligt at fejle.
• Med forstærket intelligens er AI en partner, der øger menneskets intelligens og dermed udnytter begge verdeners styrker. Sammenlignet med assisteret kunstig intelligens har maskinen meget mere at sige i din proces og dækker et større sæt af ansvarsområder, såsom idédannelse, generering og redigering af udkast og den sidste sproglige kontrol. Brugerne skal stadig deltage i arbejdet, træffe beslutninger og udføre dele af opgaven. Brugergrænsefladen skal tydeligt angive arbejdsfordelingen mellem menneske og kunstig intelligens, fremhæve fejlpotentialer og give gennemsigtighed i de trin, den udfører. Kort sagt guider den "augmenterede" oplevelse brugerne til det ønskede resultat via iteration og forfining.
• Og endelig har vi fuld automatisering - en spændende idé for AI-nørder, filosoffer og eksperter, men ofte ikke det optimale valg for virkelige produkter. Fuld automatisering betyder, at du tilbyder én "stor rød knap", der starter processen. Når AI er færdig, står dine brugere over for det endelige output og enten tager det eller forlader det. Alt, hvad der skete derimellem, kan de ikke kontrollere. Som du kan forestille dig, er UX-mulighederne her ret begrænsede, da der stort set ingen interaktivitet er. Hovedparten af ​​ansvaret for succes hviler på skuldrene af dine tekniske kolleger, som skal sikre en exceptionel høj kvalitet af outputtet.

AI-produkter har brug for særlig behandling, når det kommer til design. Standard grafiske grænseflader er deterministiske og giver dig mulighed for at forudse alle mulige stier, som brugeren kan tage. Derimod er store AI-modeller sandsynlige og usikre - de afslører en række fantastiske muligheder, men også risici såsom giftige, forkerte og skadelige output. Udefra kan din AI-grænseflade se simpel ud, fordi mange af dit produkts muligheder ligger direkte i modellen. For eksempel kan en LLM fortolke prompter, producere tekst, søge efter information, opsummere den, vedtage en bestemt stil og terminologi, udføre instruktioner osv. Selvom din brugergrænseflade er en simpel chat- eller promptgrænseflade, skal du ikke lade dette potentiale være uset — For at lede brugerne til succes skal du være eksplicit og realistisk. Gør brugerne opmærksomme på dine AI-modellers muligheder og begrænsninger, tillad dem nemt at opdage og rette fejl begået af AI, og lær dem måder at iterere sig selv til optimale output. Ved at lægge vægt på tillid, gennemsigtighed og brugeruddannelse kan du få dine brugere til at samarbejde med AI. Selvom et dybt dyk ned i den spirende disciplin inden for AI-design er uden for denne artikels omfang, opfordrer jeg dig kraftigt til at søge inspiration ikke kun fra andre AI-virksomheder, men også fra andre designområder, såsom menneske-maskine-interaktion. Du vil snart identificere en række tilbagevendende designmønstre, såsom autofuldførelser, promptforslag og AI-meddelelser, som du kan integrere i din egen grænseflade for at få mest muligt ud af dine data og modeller.

Yderligere, for at levere et virkelig fantastisk design, skal du muligvis tilføje nye designfærdigheder til dit team. Hvis du for eksempel bygger en chatapplikation til forfining af marketingindhold, vil du arbejde sammen med en samtaledesigner, der tager sig af samtalestrømmene og "personligheden" af din chatbot. Hvis du bygger et rigt udvidet produkt, der skal uddanne og guide dine brugere grundigt gennem de tilgængelige muligheder, kan en indholdsdesigner hjælpe dig med at opbygge den rigtige form for informationsarkitektur og tilføje den rigtige mængde nudging og tilskyndelse til dine brugere.

Og vær endelig åben over for overraskelser. AI-design kan få dig til at genoverveje dine originale forestillinger om brugeroplevelse. For eksempel blev mange UX-designere og produktchefer boret for at minimere latens og friktion for at udjævne brugerens oplevelse. Nå, i AI-produkter kan du sætte denne kamp på pause og bruge begge dele til din fordel. Latency og ventetider er gode til at uddanne dine brugere, f.eks. ved at forklare, hvad AI gør i øjeblikket og angive mulige næste skridt på deres side. Pauser, som dialog og meddelelses-pop-ups, kan introducere friktion for at styrke menneske-AI-partnerskabet og øge gennemsigtigheden og kontrollen for dine brugere.

6. Ikke-funktionelle krav

Ud over data, algoritme og UX, som gør dig i stand til at implementere en specifik funktionalitet, sikrer såkaldte ikke-funktionelle krav (NFR'er) såsom nøjagtighed, latency, skalerbarhed, pålidelighed og datastyring, at brugeren faktisk får den forventede værdi. Begrebet NFR'er kommer fra softwareudvikling, men er endnu ikke systematisk redegjort for inden for AI-domænet. Disse krav opfanges ofte ad hoc, efterhånden som de dukker op under brugerforskning, idéer, udvikling og drift af AI-kapaciteter.

Du bør prøve at forstå og definere dine NFR'er så tidligt som muligt, da forskellige NFR'er vil komme til live på forskellige punkter i din rejse. For eksempel skal privatlivets fred overvejes fra det allerførste trin af dataudvælgelsen. Nøjagtigheden er mest følsom i produktionsstadiet, når brugere begynder at bruge dit system online, hvilket potentielt overvælder det med uventede input. Skalerbarhed er en strategisk overvejelse, der kommer i spil, når din virksomhed skalerer antallet af brugere og/eller anmodninger eller spektret af tilbudt funktionalitet.

Når det kommer til NFR'er, kan du ikke have dem alle. Her er nogle af de typiske afvejninger, som du skal afbalancere:

• En af de første metoder til at øge nøjagtigheden er at bruge en større model, hvilket vil påvirke latenstiden.
• Brug af produktionsdata "som de er" til yderligere optimering kan være bedst til læring, men kan krænke dine regler for privatliv og anonymisering.
• Mere skalerbare modeller er generalister, hvilket påvirker deres nøjagtighed på virksomheds- eller brugerspecifikke opgaver.

Hvordan du prioriterer de forskellige krav, vil afhænge af de tilgængelige beregningsressourcer, dit UX-koncept inklusive graden af ​​automatisering og virkningen af ​​de beslutninger, der understøttes af AI.

Vigtige takeaways

1. Start med slutningen i tankerne: Antag ikke, at teknologien alene vil gøre jobbet; du har brug for en klar køreplan for at integrere din AI i det brugervendte produkt og uddanne dine brugere om dets fordele, risici og begrænsninger.
2. Markedstilpasning: Prioriter markedsmuligheder og kundebehov for at guide AI-udvikling. Forhast ikke AI-implementeringer drevet af hype og uden validering på markedssiden.
3. Brugerværdi: Definer, kvantificer og kommuniker værdien af ​​AI-produkter i form af effektivitet, personalisering, bekvemmelighed og andre værdidimensioner.
4. Datakvalitet: Fokus på datakvalitet og relevans for at træne AI-modeller effektivt. Prøv at bruge små data af høj kvalitet til finjustering og større datasæt til træning fra bunden.
5. Valg af algoritme/model: Vælg det rigtige niveau af kompleksitet og forsvarlighed (tilskyndelse, finjustering, træning fra bunden) til din brugssituation, og vurder omhyggeligt dens ydeevne. Over tid, efterhånden som du erhverver den nødvendige ekspertise og tillid til dit produkt, vil du måske skifte til mere avancerede modelstrategier.
6. Brugercentreret design: Design AI-produkter med brugernes behov og følelser i tankerne, balancerer automatisering og brugerkontrol. Vær opmærksom på "uforudsigeligheden" af sandsynlige AI-modeller, og guide dine brugere til at arbejde med det og drage fordel af det.
7. Samarbejdsdesign: Ved at lægge vægt på tillid, gennemsigtighed og brugeruddannelse kan du få dine brugere til at samarbejde med AI.
8. Ikke-funktionelle krav: Overvej faktorer som nøjagtighed, latens, skalerbarhed og pålidelighed gennem hele udviklingen, og prøv at evaluere afvejningen mellem disse tidligt.
9. Samarbejde: Fremme tæt samarbejde mellem AI-eksperter, designere, produktchefer og andre teammedlemmer for at drage fordel af tværfaglig intelligens og med succes integrere din AI.

Referencer

[1] Teresa Torres (2021). Kontinuerlige opdagelsesvaner: Opdag produkter, der skaber kundeværdi og forretningsværdi.

[2] Orbit Media (2022). Ny blogstatistik: Hvilke indholdsstrategier virker i 2022? Vi spurgte 1016 bloggere.

[3] Don Norman (2013). Designet af hverdagens ting.

[4] Google, Gartner og Motista (2013). Fra promovering til følelser: Forbind B2B-kunder til brands.

Bemærk: Alle billeder er af forfatteren.

Denne artikel blev oprindeligt offentliggjort den Mod datalogi og genudgivet til TOPBOTS med tilladelse fra forfatteren.

Nyder du denne artikel? Tilmeld dig flere AI-forskningsopdateringer.

Vi giver dig besked, når vi udgiver flere oversigtsartikler som denne.

Relaterede

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• ChartPrime. Løft dit handelsspil med ChartPrime. Adgang her.
• BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
• Kilde: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/